深度学习在生物医药领域中的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量
1041	2025-06-12	CytoLNCpred-a computational method for predicting cytoplasm associated long non-coding RNAs in 15 cell-lines 2025, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2025.1585794 PMID:40491847	research paper	开发了一种名为CytoLNCpred的计算方法，用于预测15种人类细胞系中与细胞质相关的长链非编码RNA（lncRNA）	克服了以往方法使用噪声数据集和排除在细胞质与细胞核之间无明显差异定位的lncRNA的缺点，开发了基于机器学习和深度学习的新模型	虽然模型表现良好，但基于相关性的特征与机器学习算法结合的表现优于基于大语言模型（LLM）的方法	预测细胞质相关的lncRNA，以更好地理解lncRNA的功能	15种人类细胞系中的lncRNA	生物信息学	NA	机器学习、深度学习、DNABERT-2	机器学习算法、DNABERT-2	序列数据	15种人类细胞系
1042	2025-06-12	Early detection of retinal and choroidal microvascular impairments in diabetic patients with myopia 2025, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2025.1609928 PMID:40491952	研究论文	评估和量化糖尿病患者视网膜和脉络膜血流变化，探索其与糖尿病风险因素的关联	结合SS-OCTA和人工智能增强的分割与血管分析，提供了一种精细的早期检测视网膜和脉络膜微血管损伤的方法	样本量较小（n=133），且仅针对特定类型的糖尿病患者	早期检测糖尿病患者视网膜和脉络膜微血管损伤	糖尿病患者（包括无糖尿病视网膜病变、非增殖性糖尿病视网膜病变及高度近视患者）	数字病理	糖尿病视网膜病变	SS-OCTA（扫频源光学相干断层扫描血管成像）	U-Net, ResNet-50	图像	133名糖尿病患者（43名无糖尿病视网膜病变，48名非增殖性糖尿病视网膜病变，42名无糖尿病视网膜病变但高度近视）
1043	2025-06-12	Sparse Annotation is Sufficient for Bootstrapping Dense Segmentation 2024-Oct-26, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.14.599135 PMID:38915491	research paper	提出了一种基于深度学习的新方法，通过稀疏的2D标注快速生成密集的3D分割，用于生物成像数据的实例分割任务	开发了一种能够从稀疏2D标注快速生成密集3D分割的深度学习方法，显著减少了人工标注时间和专家需求	未明确提及方法在其他类型生物成像数据上的泛化能力	解决生物成像数据中密集3D重建所需的繁重标注问题	大脑神经纤维网（包含树突、轴突和胶质细胞过程的复杂结构）	digital pathology	NA	serial section electron microscopy	deep learning	3D image	未明确提及具体样本数量
1044	2025-06-12	Evaluation of Cellpose segmentation with sequential thresholding for instance segmentation of cytoplasms within autofluorescence images 2024-Sep, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108846 PMID:38976959	research paper	本文提出并测试了一种用于自动荧光图像中细胞质实例分割的方法，结合了Cellpose深度学习分割和细胞质后处理算法(CPPA)	结合深度学习分割方法Cellpose与细胞质后处理算法(CPPA)，提高了自动荧光图像中细胞质分割的准确性	仅在三种细胞样本(静止T细胞、激活T细胞和MCF7细胞)的五张NAD(P)H图像上进行了测试，样本量有限	开发准确的自动荧光图像细胞质分割方法，用于单细胞代谢分析	静止T细胞、激活T细胞和MCF7细胞的NAD(P)H自动荧光图像	digital pathology	NA	autofluorescence imaging	Cellpose (deep learning-based segmentation)	image	五张NAD(P)H图像，包含三种细胞样本(静止T细胞、激活T细胞和MCF7细胞)
1045	2024-10-02	Towards deep learning methods for quantification of the right ventricle using 2D echocardiography 2024, Future cardiology IF:1.6Q3 DOI:10.1080/14796678.2024.2347125 PMID:39351980	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1046	2025-06-11	The informativeness of the gradient revisited 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107517 PMID:40359739	research paper	本文探讨了梯度信息在深度学习中的有效性，并提出了一个衡量梯度方差的一般性界限	提出了一个衡量梯度方差的一般性界限，并应用于LWE映射和高频函数类	理论分析可能未涵盖所有实际应用场景，实验部分仅针对特定案例	深入理解梯度信息在深度学习中的局限性	梯度信息的有效性及其在深度学习中的应用	machine learning	NA	NA	NA	NA	NA
1047	2025-06-11	Pruning the ensemble of convolutional neural networks using second-order cone programming 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107544 PMID:40367720	研究论文	本文提出了一种使用二阶锥规划修剪卷积神经网络集成的方法，以提高准确性和多样性	提出了一种稀疏二阶锥优化模型，用于修剪不同深度和层数的CNN集成，同时最大化准确性和多样性	仅在CIFAR-10、CIFAR-100和MNIST数据集上进行了测试，未在其他数据集上验证	解决深度学习模型集成中的计算复杂性问题	卷积神经网络（CNNs）的集成	机器学习	NA	二阶锥规划	CNN	图像	CIFAR-10、CIFAR-100和MNIST数据集
1048	2025-06-11	SurvGraph: A hybrid-graph attention network for survival prediction using whole slide pathological images in gastric cancer 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107607 PMID:40375420	research paper	介绍了一种名为SurvGraph的基于图的深度学习网络，用于利用胃癌症患者的全切片病理图像进行生存预测	采用混合图构建方法整合多种特征类型，并使用多头注意力图网络进行生存预测	未提及具体局限性	提高胃癌症患者的生存预测准确性	胃癌症患者的全切片病理图像	digital pathology	gastric cancer	graph representation learning	hybrid-graph attention network	image	708胃癌症患者来自三个独立队列
1049	2025-06-11	Enhancing the transferability of adversarial attacks via Scale Enriching 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107549 PMID:40378598	research paper	本文提出了一种称为尺度丰富方法（SEM）的技术，通过输入尺度丰富框架增强对抗样本的可迁移性	通过特定范围内的输入尺度缩放，丰富了替代模型感知的注意力区域，并扩大了不同模型之间的容忍度，显著提高了对抗样本的可迁移性	NA	提高对抗样本在黑盒设置下对不同输入尺寸模型的可迁移性	对抗样本和深度学习模型	computer vision	NA	Scale Enriching Method (SEM)	深度学习模型	image	在ImageNet数据集上进行实验
1050	2025-06-11	Escarcitys: A framework for enhancing medical image classification performance in scarcity of trainable samples scenarios 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107573 PMID:40382989	研究论文	本文提出了一个名为EScarcityS的框架，旨在解决医学图像分类中训练样本稀缺的问题，通过多粒度Transformer网络和疾病概率图引导的扩散生成模型来提高分类准确率	设计了多粒度Transformer网络（MGVit）和疾病概率图引导的扩散生成模型，以减少对大量训练数据的依赖并生成更真实的可解释合成数据	实验仅在四个真实的医学图像数据集上进行，可能在其他数据集上的泛化能力有待验证	提高在训练样本稀缺情况下的医学图像分类准确率	医学图像	数字病理学	NA	深度学习	Transformer, 扩散生成模型	医学图像	四个真实医学图像数据集
1051	2025-06-11	S2LIC: Learned image compression with the SwinV2 block, Adaptive Channel-wise and Global-inter attention Context 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107590 PMID:40398182	research paper	提出了一种基于SwinV2块、自适应通道和全局交互注意力上下文的图像压缩方法S2LIC	设计了自适应通道和全局交互注意力上下文(ACGC)熵模型，实现了切片间和切片内的双特征聚合，并引入残差SwinV2 Transformer模型捕获全局特征信息	未明确提及具体限制	提高图像压缩的率失真性能和编解码速度	图像数据	computer vision	NA	深度学习	SwinV2 Transformer, ACGC	image	三个不同数据集（Kodak、Tecnick和CLIC Pro）
1052	2025-06-11	Visual reasoning in object-centric deep neural networks: A comparative cognition approach 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107582 PMID:40409010	研究论文	本文比较了多种以物体为中心的深度神经网络模型在视觉关系学习和泛化方面的表现	使用来自比较认知文献的不同复杂度任务集评估模型，而非以往研究常用的相同-不同任务	在更复杂的任务和条件下，以物体为中心的模型仍存在困难	评估以物体为中心的深度神经网络在视觉推理任务中的表现	以物体为中心的深度神经网络模型和ResNet-50基线模型	计算机视觉	NA	注意力机制	以物体为中心的模型, ResNet-50	图像	NA
1053	2025-06-11	Emergence of human-like attention and distinct head clusters in self-supervised vision transformers: A comparative eye-tracking study 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107595 PMID:40424761	研究论文	本研究探讨了自监督视觉变换器（ViTs）在模拟人类注视行为方面的表现，发现其自注意力机制能够形成与人类注视行为高度一致的结构化注意力模式	首次展示了自监督DINO训练的ViTs能够自发形成与人类注视行为相似的注意力模式，并识别出三种不同的注意力头集群	研究仅基于视频数据，未探讨其他视觉刺激下的表现	探索自监督视觉变换器是否能够模拟人类视觉注意力机制	自监督DINO训练的视觉变换器（ViTs）	计算机视觉	NA	自监督学习（DINO）	ViT (Vision Transformer)	视频	NA
1054	2025-06-11	VKAD: A novel fault detection and isolation model for uncertainty-aware industrial processes 2025-Sep, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107664 PMID:40435556	研究论文	提出了一种名为VKAD的新型故障检测与隔离模型，用于处理不确定性感知的工业过程	将Koopman算子理论与变分自编码器结合，提出VKAD模型，能够推断动态系统观测值的分布并捕获系统演化的不确定性	未明确提及	提高工业过程中故障检测与隔离的准确性和可靠性	工业过程的动态系统	机器学习	NA	变分自编码器	VKAD（Variational Koopman Anomaly Detector）	时间序列数据	Tennessee Eastman Process (TEP)数据集和真实卫星在轨遥测数据集(SAT)
1055	2025-06-11	Deep learning-enhanced hyperspectral imaging for rapid screening of Co-metabolic microplastic-degrading bacteria in environmental samples 2025-Aug-05, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.138370 PMID:40267710	研究论文	本研究提出了一种结合深度学习的高光谱成像技术，用于快速筛选环境样本中共代谢微塑料降解细菌	首次将高光谱成像与深度学习算法结合，用于共代谢固体培养基中微塑料降解细菌的直接识别，显著提高了筛选效率	仅验证了一种PBAT降解细菌的筛选效果，需要更多种类细菌的验证	开发一种快速筛选共代谢微塑料降解细菌的方法	环境样本中的共代谢微塑料降解细菌	机器视觉	NA	高光谱成像(HSI)	深度学习	图像	未明确说明样本数量
1056	2025-06-11	Diagnosis of thyroid cartilage invasion by laryngeal and hypopharyngeal cancers based on CT with deep learning 2025-Aug, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112168 PMID:40381388	research paper	开发基于卷积神经网络（CNN）的模型，用于诊断喉癌和下咽癌在CT图像中对甲状腺软骨的侵犯，并评估模型的诊断性能	利用ResNet101进行迁移学习，构建新的CNN模型来分类甲状腺软骨侵犯状态，并与放射科医生的诊断性能进行比较	样本量较小（91例），且未提及模型在其他医疗机构或更大数据集上的泛化能力	提高喉癌和下咽癌在CT图像中对甲状腺软骨侵犯的诊断准确性	喉癌和下咽癌患者的CT图像	digital pathology	laryngeal and hypopharyngeal cancers	CT imaging	CNN (ResNet101)	image	91例（训练集61例，测试集30例）
1057	2025-06-11	Improving image quality and diagnostic performance using deep learning image reconstruction in 100-kVp CT enterography for patients with wide-range body mass index 2025-Aug, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112167 PMID:40398003	research paper	评估深度学习图像重建（DLIR）算法在100-kVp CT肠造影（CTE）中对不同BMI患者图像质量、诊断信心和肠道病变检测的临床价值	比较了DLIR与传统ASiR-V算法在图像质量、诊断信心和肠道病变检测方面的表现，发现DLIR-M在图像质量和诊断信心上表现更优，并可能提高初级读者对炎症性病变的检测敏感性	炎症性病变检测的敏感性提升未达到统计学显著性，需要进一步研究	评估DLIR算法在100-kVp CTE中的临床价值	84名接受100-kVp双期CTE检查的患者	数字病理	肠道疾病	CT enterography (CTE)	DLIR (深度学习图像重建)	image	84名患者
1058	2025-06-11	Comparison of clinical, radiomics, deep learning, and fusion models for predicting early recurrence in locally advanced rectal cancer based on multiparametric MRI: a multicenter study 2025-Aug, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112173 PMID:40403678	研究论文	本研究比较了基于多参数MRI的临床、放射组学、深度学习和融合模型在预测局部晚期直肠癌早期复发中的表现	首次比较了四种不同模型（临床、放射组学、深度学习和两种融合模型）在预测局部晚期直肠癌早期复发中的性能，并发现决策级晚期融合模型表现最佳	回顾性研究设计可能引入选择偏倚，且样本量相对有限（337例患者）	比较不同预测模型对局部晚期直肠癌早期复发的预测能力	局部晚期直肠癌患者	数字病理	直肠癌	多参数MRI（包括T2WI、DWI、T1WI和CET1WI）	XGBoost分类器（用于建立临床模型、放射组学模型、深度学习模型和两种融合模型）	医学影像	337例来自四个医疗中心的局部晚期直肠癌患者（2016年1月至2021年9月）
1059	2025-06-11	LiDSCUNet++: A lightweight depth separable convolutional UNet++ for vertebral column segmentation and spondylosis detection 2025-Aug, Research in veterinary science IF:2.2Q1 DOI:10.1016/j.rvsc.2025.105703 PMID:40460622	research paper	提出了一种轻量级深度学习框架LiDSCUNet++，用于脊柱分割和脊椎病检测	结合深度可分离卷积和点卷积的轻量级UNet++框架，显著减少可训练参数、内存使用、能耗和计算时间	性能受限于数据不足和现有解决方案的高计算复杂度	开发高效的计算机辅助诊断系统，帮助医生诊断脊柱疾病	狗脊柱X光片中的椎骨异常	digital pathology	spondylosis	deep learning	LiDSCUNet++, UNet++, YOLOv8	image	NA
1060	2025-06-11	Intraindividual Comparison of Image Quality Between Low-Dose and Ultra-Low-Dose Abdominal CT With Deep Learning Reconstruction and Standard-Dose Abdominal CT Using Dual-Split Scan 2025-Jul-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001151 PMID:39874436	研究论文	本研究通过双源CT扫描，比较了低剂量和超低剂量腹部CT与深度学习重建（DLR）以及标准剂量腹部CT与模型迭代重建（MBIR）在肝脏局灶性病变（FLLs）显影质量上的差异	采用双源CT扫描技术，首次在个体内比较低剂量和超低剂量CT与DLR在肝脏病变显影上的非劣效性	研究结果提示低剂量和超低剂量CT在转移瘤敏感性上可能有所降低，需谨慎解读	比较低剂量和超低剂量CT与标准剂量CT在肝脏病变显影上的质量差异	疑似或已知肝转移的患者	数字病理	肝转移	双源CT扫描，深度学习重建（DLR），模型迭代重建（MBIR）	深度学习	CT图像	133名参与者（男性58名，平均BMI 23.0±3.4 kg/m²）